II
ÖNSÖZ
Doktora çalışmam boyunca her konuda bana yol gösteren değerli danışman hocam Prof. Dr. İbrahim TÜRKOĞLU’na teşekkür ederim. Ayrıca tez izleme komitemde bulunan ve çalışmam boyunca bilimsel desteklerinden faydalandığım Prof. Dr. Abdulkadir ŞENGÜR’e ve Doç. Dr. Resul DAŞ’a teşekkür ederim.
Bu tez çalışmasında, kolonoskopik değerlendirme ve kan numunelerinin sağlanmasında F.Ü. Genel Cerrahi Anabilim Dalı öğretim üyesi Doç. Dr. Mustafa GİRGİN’e, numunelerin ayrıştırılmasında F.Ü. Tıbbi Biyokimya Anabilim Dalı öğretim üyesi Prof. Dr. Bilal ÜSTÜNDAĞ’a, kolonokopi ile alınan biyopsi numunelerinin patolojik değerlendirilmesinde F.Ü. Patoloji Anabilim Dalı öğretim üyesi Prof. Dr. İ. Hanifi ÖZERCAN’a, kan numunelerin FTIR işaretlerinin elde edilmesinde F.Ü. Kimya Bölümü öğretim üyesi Prof. Dr. Memet ŞEKERCİ ve ayrıca Bingöl Üniversitesi’nden Doç. Dr. İ. Yasin ERDOĞAN’a, katkılarından dolayı teşekkür ederim. Ayrıca bu çalışmam esnasında manevi desteğini esirgemeyen değerli arkadaşım Ömer Osman DURSUN’a da teşekkür ederim.
Ve en önemlisi hayatım boyunca hep desteklerini gördüğüm Anneme, Abime, hayat arkadaşım olan Eşime ve canım kızım Ecem’e her türlü desteklerinden dolayı ayrıca teşekkür ediyorum.
Suat TORAMAN
III İÇİNDEKİLER ÖNSÖZ ... II İÇİNDEKİLER ... III ÖZET ... VI SUMMARY ... VIII ŞEKİLLER LİSTESİ ... X TABLOLAR LİSTESİ ... XII SEMBOLLER LİSTESİ ... XIV
1. GİRİŞ ... 1
1.1. Çalışmanın Amacı ... 1
1.2. Literatür Taraması ve Değerlendirilmesi ... 2
1.3. Yönelim Gerekçeleri... 9
1.4. Tezin Organizasyonu ... 10
2. GEREÇ VE YÖNTEMLER ... 12
2.1. Kanser Hastalığı ... 12
2.1.1. Kanser Belirtileri ve Kansere Neden Olan Faktörler... 13
2.1.2. Kolon Kanseri ... 14
2.1.3. Kanser Taraması, Tanısı ve Tedavisi ... 15
2.2. Kızılötesi Spektroskopi ... 17
2.2.1. Fourier Dönüşümü Kızılötesi Spektrometre ... 19
2.3. Örüntü Tanıma ... 21
2.3.1. Özellik Çıkarma ... 22
2.3.2. Özellik Seçimi ... 23
2.3.2.1. Sıralı İleri Seçim Algoritması ... 23
2.3.2.2. Sıralı Geri Seçim Algoritması ... 24
2.3.3. Normalizasyon ... 24
2.3.4. Sınıflandırma ... 25
2.4. Özellik Çıkarım Yöntemleri ... 25
2.4.1. Dalgacık Dönüşümü ... 25
2.4.1.1. Sürekli Dalgacık Dönüşümü ... 31
IV
2.4.2. Dalgacık Paket Dönüşümü ... 33
2.5. FTIR İşaretine Dalgacık ve Dalgacık Paket Dönüşümünün Uygulanması ... 34
2.5.1. FTIR İşaretinin Dalgacık Dönüşümü ile Ayrıştırılması ... 34
2.5.2. FTIR İşaretinin Dalgacık Paket Dönüşümü ile Ayrıştırılması ... 37
2.6. Bilgi Çıkarım Yöntemleri ... 38
2.6.1. Entropi ... 38
2.6.2. Standart Sapma ... 40
2.6.3. Ortalama Mutlak Değer ... 40
2.6.4. Basit Kare İntegral ... 41
2.6.5. Dalga Boyu Uzunluğu ... 41
2.6.6. Sıfır Geçişleri ... 41
2.6.7. En Büyük ve En Küçük Değer Farkı ... 42
2.6.8. Spektral Alanların Oranlanması ... 42
2.6.9. Spektral Pik Değerlerinin Oranlanması ... 42
2.7. Sınıflandırma ... 43
2.7.1. Yapay Sinir Ağları ... 43
2.7.1.1. Yapay Sinir Ağlarının Özellikleri ... 46
2.7.1.2. Geri Yayılım Algoritması ... 49
2.8. Çapraz Doğrulama Yöntemi ... 50
2.9. ROC Eğrisi ve Değerlendirme Kriterleri ... 50
3. FTIR İŞARETLERİNİN ELDE EDİLME SÜRECİ ... 53
3.1. Veri Alma ... 53
3.2. FTIR İşaretlerinin Elde Edilmesi ... 55
4. FTIR İŞARETİNDEN DOĞRUDAN ÖZELLİK ÇIKARIMI ... 59
4.1. Entropi ... 59
4.2. Standart Sapma ... 59
4.3. Ortalama Mutlak Değer ... 60
4.4. Basit Kare İntegral ... 60
4.5. Dalga Boyu Uzunluğu ... 61
4.6. En Büyük ve En Küçük Değer Farkı ... 61
4.7. Spektral Pik Değerlerinin Oranı ... 61
V
5. FTIR İŞARETİNİN DALGACIK DÖNÜŞÜMÜ BİLEŞENLERİNDEN ÖZELLİK
ÇIKARIMI ... 63
5.1. Entropi ... 64
5.2. Standart Sapma ... 64
5.3. Ortalama Mutlak Değer ... 65
5.4. Basit Kare İntegral ... 66
5.5. Dalga Boyu Uzunluğu ... 66
5.6. Sıfır Geçişleri ... 67
5.7. En Büyük ve En Küçük Değer Farkı ... 68
6. FTIR İŞARETİNİN DALGACIK PAKET DÖNÜŞÜMÜ BİLEŞENLERİNDEN ÖZELLİK ÇIKARIMI ... 69
6.1. Entropi ... 70
6.2. Standart Sapma ... 71
6.3. Ortalama Mutlak Değer ... 72
6.4. Basit Kare İntegral ... 73
6.5. Dalga Boyu Uzunluğu ... 74
6.6. Sıfır Geçişleri ... 75
6.7. En Büyük Ve En Küçük Değer Farkı ... 76
7. YAPAY SİNİR AĞLARI İLE SINIFLANDIRMA ... 77
7.1. Doğrudan FTIR İşaretinden Elde Edilen Özelliklerin Sınıflandırılması ... 78
7.2. Dalgacık Dönüşümünden Elde Edilen Özelliklerin Sınıflandırılması ... 82
7.3. Dalgacık Paket Dönüşümünden Elde Edilen Özelliklerin Sınıflandırılması ... 86
7.4. Etkili Özelliklerin Belirlenmesi ... 89
8. SONUÇLAR ... 91
8.1. Sonuçların İrdelenmesi ... 91
KAYNAKLAR ... 97
VI
KIZILÖTESİ SPEKTROSKOPİSİ KULLANILARAK KAN ÖRNEKLERİNDEN KOLON KANSERİNE YÖNELİK ÖZELLİK ÇIKARIMI
Suat TORAMAN
Fırat Üniversitesi, Fen Bilimleri Enstitüsü Yazılım Mühendisliği Anabilim Dalı
Doktora Tezi, Mart 2016
Tez Danışmanı: Prof. Dr. İbrahim TÜRKOĞLU
ÖZET
Kanser günümüzde en sık karşılaşılan ölüm nedenlerinin başında gelmektedir. Birçok farklı kanser türü bulunmaktadır. Bu türlerden biride kolon kanseridir. Türkiye’de Sağlık Bakanlığı Kanser Daire Başkanlığı’nın en son yayınladığı 2013 raporlarına göre kolorektal kanser türü erkek ve kadınlarda görülme sıklığı açısından üçüncü sırada yer almaktadır. Kolon kanserinin belirlenmesinde kullanılan yöntemlerden biri kolonoskopidir. Kolonoskopi birçok kişinin pek sıcak bakmadığı bir tanı yöntemidir. Hastaların tanı aşamasında kolonoskopi yaptırmayarak (utanma, çekinme, korkma vb durumlardan), rahatsızlıklarının daha da ilerleyerek ölümle sonuçlandığı birçok durumun olduğu bilinmektedir. Bahsedilen duyguları ortadan kaldırmanın kolay bir yol olmadığı göz önüne alınırsa, insanlara kolonoskopinin gerekli ve zamanında yapılması gereken bir ön-tanılama aracı olduğunu gösterecek daha basit bir yönteme ihtiyaç vardır. Kısaca, kolonoskopi yaptırmak istemeyen kişilere kan numunesi kullanılarak yapılacak bir ön araştırma ile riskli bir durum olup olmadığının söylenebilmesi amaçlanmaktadır. Böylece kanser riski taşıyan bir kişinin tedavi sürecine daha erken başlaması sağlanacaktır. Bu sayede, kolonoskopi yaptırayım mı veya yaptırmayayım mı gibi bir soruyu düşünürken hastalığın ilerlemesi ve erken tedavi sürecinin gecikmesi önlenecektir.
Bu tez çalışmasında, rutin kan numunelerinden kişinin kolon kanseri riskini belirlemeye yönelik örüntü tanıma temelli akıllı otomatik bir yöntem önerilmiştir. Bunun için, kolon kanseri ve sağlıklı kişileri, kan numunesinden elde edilen FTIR işaret örüntülerinden ayırt edebilen, geleneksel tanı testleri (kolonoskopi, biyopsi) öncesinde
VII
özgün, duyarlılık ve doğruluk oranı yüksek yeni bir ön-tanı metoduna yönelik yazılım gerçekleştirilmiştir. Gerçekleştirilen yazılım ile FTIR işaretlerine dalgacık ve dalgacık paket dönüşümleri uygulanarak, elde edilen alt bant işaretlerinden bilgi çıkarımları yapılmıştır. Çıkarılan bu bilgilerden oluşturulan özellik vektörleri YSA ile sınıflandırılmıştır. Böylece, önerilen üç yönteme göre, 30 kolon kanseri hastası ile 40 sağlıklı kişinin kan numuneleri, %95,65-100 arasında değişen doğruluk ile sınıflandırılmıştır.
Bu çalışma, Fırat Üniversitesi Girişimsel Olmayan Araştırmalar Etik Kurulu Başkanlığının (25.03.2014/02) izni ile yapılmıştır.
Anahtar Kelimeler: Örüntü Tanıma, İşaret İşleme, Özellik Çıkarımı, Sınıflandırma, Yapay
VIII
FEATURE EXTRACTION USING INFRARED SPECTROSCOPY FROM BLOOD SAMPLES RELATED TO COLON CANCER
Suat TORAMAN
Fırat University, Graduate School of Natural and Applied Sciences Department of Software Engineering
Ph. D. Thesis, March 2016
Thesis Supervisor: Prof. Dr. İbrahim TÜRKOĞLU
SUMMARY
Nowadays, cancer is one of the most common causes of death. There are many different types of cancer. One of these types is colon cancer. In Turkey, according to the latest published 2013 report of Cancer Department under The Ministry of Health, colorectal cancer type is located in the third place in terms of the incidence in men and women. One of the methods used in the determination of colon cancer is colonoscopy. Colonoscopy is a diagnostic method which is not highly acceptable to many people. It is known that there are lots of disease cases that patients do not take their colonoscopy process (due to shyness and/or being afraid, etc.); thus, their cases get developed and may result in death. Considering that there is no easy way to overcome the above-mentioned feelings, there is a need for simple pre-diagnostic method to show people the needed colonoscopy on the right time. Briefly, it is intended to be able to determine whether situation is risky or not by using a blood sample as a pre-research for people who do not accept a colonoscopy. Therefore, early treatment to a person with a cancer risk will be provided. In this way, when considering a question like "If I have colonoscopy surgery or not?" disease progression and early treatment delay will be prevented.
In this thesis, a pattern recognition based on intelligent automatic method has been proposed using routine blood samples to determine the risk of colon cancer. A software was developed to distinguish between colon patients and healthy individuals from FTIR patterns of sign that obtained from their blood samples. The developed software is a novel pre-diagnosis method used before other conventional pre-diagnosis methods and it has a high
IX
sensitivity and accuracy rate. With the developed software, information extraction has been done from sub-band signs by applying Wavelet and Wavelet Packet Transform to the FTIR signs. Feature vectors that are generated from these extracted information were classified by Neural Network. Thus, according to the proposed three methods, blood samples of 30 colon cancer patients and 40 healthy individuals were classified with the accuracy rate of %95,65 to %100.
This thesis study was made with the permission of Firat University Research Ethics Board of the Non-invasive (25.03.2014/02).
Keywords: Pattern Recognition, Signal Processing, Feature Extraction, Classification,
X
ŞEKİLLER LİSTESİ
Sayfa No
Şekil 2.1. Normal ve kanserli hücrelerdeki apoptosis olayı [32]... 12
Şekil 2.2. Kolonoskop cihazı [40]. ... 15
Şekil 2.3. Düzlem içi eğilme-gerilme titreşimin gösterimi ... 17
Şekil 2.4. IR de fonsiyonel grupların soğurma değerleri [50]. ... 18
Şekil 2.5. Elektromanyetik dalga spektrumu [50]. ... 19
Şekil 2.6. Tek ışın demetli FT-IR spektrometre [50]. ... 20
Şekil 2.7. Bir örneğin FTIR spektrometre ile analiz işlem süreci [50]. ... 21
Şekil 2.8. Örüntü tanıma yapısı ... 22
Şekil 2.9. Akıllı sınıflama yapısı ... 25
Şekil 2.10. Pencerelenmiş Fourier dönüşümü ve dalgacık dönüşümü ... 27
Şekil 2.11. Daubechies dalgacık baz fonksiyonunun zaman- frekans düzleminde kapladığı alan ... 27
Şekil 2.12. Ana dalgacık ve ölçekleme fonksiyonu... 28
Şekil 2.13. Yaygın olarak kullanılan dalgacık örnekleri ... 29
Şekil 2.14. Dalgacığın ölçeklendirilmesi ... 30
Şekil 2.15. Konum parametre uygulaması ... 30
Şekil 2.16. Ölçek “s” değişiminin penceredeki etkisi ... 31
Şekil 2.17. ADD ayrışım ağacı ve zaman frekans gösterim yapısı ... 33
Şekil 2.18. Dalgacık paket ağacı ... 33
Şekil 2.19. Dalgacık dönüşüm ağaç yapısı ... 35
Şekil 2.20. FTIR işareti ... 36
Şekil 2.21. FTIR işaretlerinin DD ile ayrışım sonucu ... 37
Şekil 2.22. FTIR işaretinin DPD ile ayrışım sonucu ... 38
Şekil 2.23. Düşük ve yüksek entropiye sahip iki farklı işaret ... 39
Şekil 2.24. Sinir hücresi [32]. ... 44
Şekil 2.25. Aktivasyon fonksiyonları ... 45
Şekil 2.26. Bir yapay sinir hücresi modeli ... 45
Şekil 2.27. İleri beslemeli YSA modeli ... 48
XI
Şekil 2.29. ROC eğrisi ... 52
Şekil 3.1. Önerilen yöntemin genel işleyiş şeması ... 53
Şekil 3.2. Santrifüj cihazı ... 54
Şekil 3.3. Eppendorf tüpleri ... 54
Şekil 3.4. Otomatik pipet ... 55
Şekil 3.5. Spektrometre cihazı ... 56
Şekil 3.6. Sağlıklı ve hasta kişilere ait FTIR işaretleri geçirgenlik grafiği ... 56
Şekil 3.7. Temel çizgi düzeltmesi [110]. ... 57
Şekil 3.8. Sağlıklı ve hasta kişilere ait FTIR işaretleri soğurma grafiği ... 58
Şekil 5.1. FTIR işaretinin dalgacık dönüşümü sonucu bulunan alt bant işaretleri ... 63
Şekil 6.1. FTIR işaretinin dalgacık paket dönüşümü sonucu bulunan alt bant işaretleri 69 Şekil 7.1. YSA eğitim başarımı ... 78
Şekil 7.2. Doğrudan FTIR işaretinden elde edilen özellik vektörleri ... 79
Şekil 7.3. Doğrudan FTIR işaretinden elde edilen değerlerin ROC eğrisi grafikleri ... 82
Şekil 7.4. DD ile FTIR işaretinden elde edilen özellik vektörleri ... 82
Şekil 7.5. Dalgacık dönüşümü ile FTIR işaretinden elde edilen değerlerin ROC eğrisi grafikleri ... 85
Şekil 7.6. DPD ile FTIR işaretinden elde edilen özellik vektörleri ... 86
Şekil 7.7. Dalgacık paket dönüşümü ile FTIR işaretinden elde edilen değerlerin ROC eğrisi grafikleri ... 89
XII
TABLOLAR LİSTESİ
Sayfa No
Tablo 2.1. Seçilmiş alanların dalga sayısı aralık değerleri ... 42
Tablo 2.2. Tanı testi durum tablosu ... 51
Tablo 3.1. Çalışmaya katılan kişilere ait özellikler ... 54
Tablo 4.1. FTIR işaretinden elde edilen entropi sonuçları ... 59
Tablo 4.2. FTIR işaretinden elde edilen standart sapma sonuçları ... 60
Tablo 4.3. FTIR işaretinden elde edilen ortalama mutlak değer sonuçları ... 60
Tablo 4.4. FTIR işaretinden elde edilen basit kare integral sonuçları ... 60
Tablo 4.5. FTIR işaretinden elde edilen dalga boyu uzunluğu sonuçları ... 61
Tablo 4.6. FTIR işaretinden elde edilen en büyük ve en küçük değer farkı sonuçları ... 61
Tablo 4.7. Pik değerlerinin oranlanması ... 62
Tablo 4.8. Spektral alan değerlerinin oranlanması ... 62
Tablo 5.1. DD ile entropi değerleri... 64
Tablo 5.2. DD ile standart sapma değerleri ... 65
Tablo 5.3. DD ile mutlak değerlerin ortalaması ... 65
Tablo 5.4. DD ile basit kare integral ... 66
Tablo 5.5. DD ile dalga boyu uzunluğu değerleri ... 67
Tablo 5.6. DD ile sıfır geçiş değerleri ... 67
Tablo 5.7. DD ile en büyük - en küçük değer farkı ... 68
Tablo 6.1. DPD ile entropi değerleri ... 70
Tablo 6.2. DPD ile standart sapma değerleri ... 71
Tablo 6.3. DPD ile ortalama mutlak değerleri... 72
Tablo 6.4. DPD ile basit kare integral değerleri ... 73
Tablo 6.5. DPD ile dalga boyu uzunluğu değerleri ... 74
Tablo 6.6. DPD ile sıfır geçiş değerleri ... 75
Tablo 6.7. DPD ile en büyük ve en küçük arasındaki fark değerleri ... 76
Tablo 7.1. Kullanılan YSA modelinin yapısı ve eğitim parametreleri ... 77
Tablo 7.2. Doğrudan FTIR işaretinin 1100-1000 cm-1 aralığından elde edilen özelliklerin sınıflandırma sonuçları ... 79
XIII
Tablo 7.3. Doğrudan FTIR işaretinin 1300-1000 cm-1 aralığından elde edilen özelliklerin
sınıflandırma sonuçları ... 80 Tablo 7.4. Doğrudan FTIR işaretinin 1800-1300 cm-1 aralığından elde edilen özelliklerin
sınıflandırma sonuçları ... 80 Tablo 7.5. Örnek karşılaştırma matrisi ... 81 Tablo 7.6. Doğrudan FTIR işaretinden elde edilen ön-tanı testi değerlerinin duyarlılık ve
özgüllük sonuçları ... 81 Tablo 7.7. DD ile 1100-1000 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 83 Tablo 7.8. DD ile 1300-1000 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 84 Tablo 7.9. DD ile 1800-1300 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 84 Tablo 7.10. DD ile FTIR işaretinden elde edilen ön-tanı testi değerlerinin duyarlılık ve
özgüllük sonuçları ... 85 Tablo 7.11. DPD ile 1100-1000 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 87 Tablo 7.12. DPD ile 1300-1000 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 87 Tablo 7.13. DPD ile 1800-1300 cm-1 aralığında elde edilen özelliklerin sınıflandırma
sonuçları ... 88 Tablo 7.14. DPD ile FTIR işaretinden elde edilen ön-tanı testi değerlerinin duyarlılık ve
özgüllük sonuçları ... 88 Tablo 7.15. Belirlenen etkili özellikler ... 90
XIV SEMBOLLER LİSTESİ a : Ölçekleme parametresi b, u : Dönüşüm parametresi cA : Yaklaşım katsayısı cD : Detay katsayısı h : Düşük geçiren filtre g : Yüksek geçiren filtre k : Veri kümesi sayısı
L : Ayrışım seviyesi
λ : Dalga boyu
NaCl : Sodyum klorür
P : Olasılık T : Geçirgenlik W : Ağırlık ψ : Ana dalgacık ∅ : Ölçekleme fonksiyonu ϴ,Ԑ : Eşik değeri Ф : Aktivasyon fonksiyonu ZnSe : Zinc selenide
XV
KISALTMALAR
ADD : Ayrık Dalgacık Dönüşümü
ATR : Attenuated Total Reflection (Zayıflatılmış Toplam Yansıma) BKİ : Basit Kare İntegral
BT : Bilgisayarlı Tomografi
CA : Cancer Antigen
CEA : Carcinoembryonic Antigen
CBC : Complete Blood Count (Tam Kan Sayımı) DB : Dalga Boyu Uzunluğu
Db : Daubechies
DCF : Discriminant Classification Function (Ayırma Sınıflama Fonksiyonu)
DD : Dalgacık Dönüşümü
DN : Doğru Negatif
DNA : Deoksiribo Nükleik Asit
DP : Doğru Pozitif
DPD : Dalgacık Paket Dönüşümü DVM : Destek Vektör Makinesi EKG : Elektrokardiyografi
FTIR : Fourier Transform Infrared (Fourier Dönüşümü Kızılötesi)
HATR : Horizontal Attenuated Total Reflectance (Yatay Zayıflatılmış Toplam Yansıma)
Hz : Hertz
LDA : Linear Discriminant Analysis (Doğrusal Ayırma Analizi) LVQ : Learning Vector Quantization (Öğrenme Vektör Kuantizasyon) MLP : Multi Layer Perceptron (Çok Katmanlı Algılayıcı)
MR : Manyetik Rezonans
Nm : Nanometre
OMD : Ortalama Mutlak Değer
Pap : Papanicolaou
PET : Pozitron Emisyon Tomografi RNA : Ribo Nükleik Asit
XVI
RPM : Revolutions Per Minute (Dakikadaki Dönüş Sayısı)
ROC : Receiver Operating Characteristics (Alıcı İşletim Karakteristiği) SBS : Sequential Backward Selection (Sıralı Geri Seçim)
SD : Sprague-Dawley
SDD : Sürekli Dalgacık Dönüşümü
SFS : Sequential Forward Selection (Sıralı İleri Seçim) SLP : Single Layer Perceptron (Tek Katmanlı Algılayıcı)
SPSS : Statistical Package for the Social Sciences (Sosyal Bilimler İçin İstatistik Paketi)
YN : Yanlış Negatif YNO : Yanlış Negatif Oranı YP : Yanlış Pozitif
YPO : Yanlış Pozitif Oranı YSA : Yapay Sinir Ağı
1
1. GİRİŞ
İnsan çevresindeki değişimleri, beş duyu organı yardımıyla algılamaya çalışır. Duyu organları ile yapılan bu işlemlerin amacı, olayları anlamak veya çevresindeki nesneleri tanımaktır. İnsan zamanla kazandığı bu özellikleri bütün hayatı boyunca karşılaştığı zorlukları aşmak ve ihtiyaçlarını gidermek için kullanmaktadır. Bilimin gelişmesi ile insanlar, ihtiyaçları için makineleri daha sonra bilgisayarları kullanmaya başlamışlardır. İnsanlar için zor ve zaman alıcı birçok işi bilgisayarlar çok daha kısa sürede, hızlı ve kolay bir şekilde yapabilmektedir. Zamanla bilgisayarlara belirli durumlar karşısında nasıl hareket edeceği öğretilmek istenmiştir. Bu öğrenme süreci sonunda, akıllı sistemler denilen yapılar ortaya çıkmıştır. Akıllı sistemler ile bilgisayarlar kendilerine tanıtılan ses, görüntü, işaret gibi birçok bilgiyi ayırt edebilmektedir. Akıllı sistemler, kendilerine önceden tanıtılan bilgiler ışığında herhangi bir veriyi sınıflandırabilmektedirler. Böylece insanların herhangi bir konuda çıkarım yapmasına yardımcı olmaktadırlar. İnsanların gözle yapamayacakları ayrımları bilgisayarlar çok kısa bir sürede istenen duyarlılıkta yapabilmektedir. Bu sayede özellikle tıp alanında geliştirilen bir sistem, uzmanlara veya doktorlara karar verme sürecinde oldukça yardımcı olmaktadır. Böylece hastaların tedavi süreçleri hızlandırılarak kişilerin hayat kalitesi artırılmakta ve hastalık ile mücadele etmelerine katkı sağlanmış olmaktadır.
1.1. Çalışmanın Amacı
Bu tezin amacı, kan numunelerinden elde edilen FTIR (Fourier Transform Infrared- Fourier Dönüşümü Kızılötesi) işaret örüntüleri kullanılarak kolon kanserli ve sağlıklı kişiler arasında ayırt edici bir farkın olup olmadığının belirlenmesidir. Bu ayrımın yapılabilmesi için FTIR işaret örüntüsüne, işaret işleme teknikleri uygulanarak işaretin alt bileşenleri elde edilmiştir. Alt işaret bileşenlerinden bilgi çıkarımı yapılarak, işarete ait çeşitli istatistiksel değerler hesaplanmıştır. Bu istatistiksel değerler kullanılarak kanserli/sağlıklı ayrımı yapay sinir ağları ile gerçekleştirilmiştir. Şu ana kadar incelenen literatür dikkate alındığında, bu çalışmada önerilen otomatik akıllı değerlendirme yöntemi ile kolon kanserli/sağlıklı kişi ayrımı ilk defa gerçekleştirilmiştir.
2
Kolon hastalığıyla ilgili tanı ve tedavi sürecinde kullanılan kolonoskopi, hastaların çok sıcak bakmadıkları girişimsel (invaziv) bir tanı ve tedavi yöntemi olduğu bilinmektedir. Hastaların tanı aşamasında kolonoskopi yaptırmayarak (utanma, çekinme, korkma vb durumlardan), rahatsızlıklarının daha da ilerleyerek ölümle sonuçlandığı birçok durumun olduğu hekimler tarafından ifade edilmektedir. Bu duyguları ortadan kaldırmanın kolay bir yol olmadığı göz önüne alınırsa, insanlara kanser riski taşıyıp taşımadığı söylenebileceği daha farklı ve basit yöntemler gerekmektedir. Erken teşhisin hayat kurtarma da çok önemli olduğu göz önüne alınırsa bu veya buna benzer çalışmaların önemi daha iyi anlaşılmaktadır.
Ayrıca bu tez çalışmasında, kolon kanserli ve sağlıklı kişileri kan numunesinden ayırt edebilen, geleneksel tanı testleri (kolonoskopi, biyopsi) öncesinde özgün, duyarlılık ve doğruluk oranı yüksek yeni bir ön-tanı metoduna yönelik yazılım geliştirilmesi hedeflenmiştir.
1.2. Literatür Taraması ve Değerlendirilmesi
Literatürdeki FTIR spektroskopisi kullanılarak yapılan çalışmalar iki başlık altında incelenebilir. Bunlardan birincisi biyopsi (inceleme amacıyla hastadan alınan doku parçası) numunesi kullanılarak, ikincisi ise kan numuneleri kullanılarak yapılan çalışmalardır. Biyopsi numunesi kullanılarak yapılan çalışmalarda, kişilerden alınan doku numunesi ile hasta/sağlıklı ayrımının yapılması hedeflenmektedir. Kan numunesi kullanılarak yapılan çalışmalarda ise, kandan elde edilen serum veya plazma numuneleri kullanılarak hasta veya sağlıklı ayrımının yapılması hedeflenmektedir. Literatürdeki FTIR spektroskopisi kullanılarak yapılan çalışmalar, belirli bir hastalığın veya belirli bir kanser türünün ayrımına yöneliktir. Örneğin, akciğer kanserine yönelik yapılan bir çalışmada, akciğer kanseri olan kişilerden alınan biyopsi veya kan numunesi ile sağlıklı kişilerinden alınan biyopsi veya kan numunesi arasında bir ayrım olup olmadığı araştırılmaktadır.
A. Biyopsi ile yapılanlar;
Literatür incelendiğinde, biyopsi kullanılarak FTIR spektroskopisi ile çeşitli kanser türlerinin belirlenmesine yönelik birçok çalışma gerçekleştirilmiştir. Çalışmalarda, hasta ve
3
sağlıklı kişilerden cerrahi bir operasyon ile alınan biyopsi numunesi, spektrometrenin ışık yoluna konulacak hale getirilmekte ve FTIR işareti elde edilmektedir. Daha sonra pik değerleri ve yoğunlukları kullanılarak hasta/sağlıklı ayrımı yapılmaktadır. Bu şekilde yapılan akademik çalışmalar aşağıda özetlenmiştir.
Fung ve ark.(1997) FTIR spektroskopi kullanarak servikal sitoloji taraması ile altın standart (gold standart) olarak bilinen biyopsili Pap (Papanicolaou) smear taramasını karşılaştırmıştır. Çalışmada 301 kişiden alınan numuneler kullanılmıştır. Pap testi ile %86,6 hassasiyet, %90,5 özgüllük, %13,4 yanlış negatif, %9,5 yanlış pozitif oranları elde edilmiştir. FTIR spektroskopi ile %98,6 hassasiyet, %98,8 özgüllük, %1,4 yanlış negatif, %1,2 yanlış pozitif oranları elde edilmiştir [1].
Yano ve ark.(2000) akciğerdeki normal ve kanserli dokuları FTIR mikroskopisi kullanarak tespit etmeye çalışmıştır. Akciğer dokuları kullanılarak kanserli ve normal doku karşılaştırması yapılmıştır. Elde edilen sonuçlarda özellikle 980-1150 cm-1 ve 1430- 1480
cm-1 bölgesindeki band yoğunluğundaki değişimler ile ilgilenilmiştir. Bu bölgedeki
H1045/H1467 oranı kullanılarak kanserli ve sağlıklı dokular ayırt edilmeye çalışılmıştır [2].
Sinduphak ve ark.(2003) Tayland da yaşayan kadınlarda servikal kanserini belirlemek için morfolojik değişimleri bulan Pap testi yerine moleküler seviyede fonksiyonel grupların yapısal değişimleri bulabilen FTIR spektroskopiyi kullanmıştır. Moleküler seviyedeki bu değişimler izlendiğinde, yoğunluk oranları ve pik frekans yüksekliklerinde önemli değişimler görülmüştür. Çalışmada 1025-1454 cm-1 bölgesinde 6 pik değeri
incelenmiştir. Histoloji sonuçları ile karşılaştırılan FTIR sonuçlarında %96,3 hassasiyet, %96,4 özgüllük, %3,7 yanlış negatif, %3,6 yanlış pozitif oranlar elde edilmiştir [3].
Liu ve ark.(2003) çalışmasının amacı, troid tümörlerinin değerlendirilmesinde FTIR spektroskopinin uygunluğunu belirlemektir. Çeşitli troid rahatsızlığı olan 89 hastadan numuneler alınmıştır. Numuneler iki farklı, çok değişkenli istatistiksel yöntemler ile analiz edilmiştir. Sonuç olarak %96,6 oranında eğitim seti doğruluğu elde edilirken, %90,2 oranında da doğrulama verisi elde edilmiştir [4].
4
Fujioka ve ark.(2003) kötü huylu ve normal mide doku ayrımını gerçekleştirmek için FTIR spektroskopisi kullanmıştır. Mide dokuları için 925-1660 cm-1 bölgesindeki 10 bandın
soğurma değerlerini incelemiştir. 10 bandın ayırma analizi yöntemi ile doku ayrımlarını gerçekleştirmiştir. Bandlar incelenirken frekans başına bir P değeri üretecek şekilde her spektral frekansta normal ve kanserli dokunun soğurmaları arasındaki fark için t testi uygulanmıştır. P değeri 0,05’ten küçük ise anlamlı bir fark vardır. P değeri 0,05’ten büyük ise anlamlı bir fark yoktur şeklinde yapılan işlemler sonucunda %96 hassasiyet ve %75 özgülük ile beraber %88,6 oranında sınıflama doğruluğu elde edilmiştir [5].
Qing-Bo Li ve ark.(2005) mide iltihabı ve kötü huylu dokuları FTIR spektroskopisi ile sınıflandırmaya çalışmışlardır. Kullanılan yöntem ise SPSS 10 (Statistical Package for the Social Sciences) paketi ile Doğrusal Ayırma Analizi (Linear Discriminant Analysis - LDA)’dir. Pik yoğunluklarındaki oranlarda daha doğru farklılıklar elde etmek için spektrumlarda bazı temel düzeltmeler yapmışlardır. Bu düzeltmeler ile verilerde bulunan rastgele gürültülerin azaltılması sağlanmıştır. Toplam 103 endoskopik veri 1000-1800 cm-1
bölgesinde incelenmiştir. Sonuçta sağlıklı doku %90, yüzeysel gastrit %90, atrofik gastrit %66 ve mide kanseri %74 hassasiyet ile bulunmuştur [6].
Nijoroge ve ark.(2006) FTIR spektroskopisinin doğruluğunun geliştirilmesi ve Pap smear testinin yanlış negatif oranlarını düşürmek için FTIR analizine yoğunlaşmıştır. 53 kişiden alınan FTIR verileri kullanılarak gerçekleştirilen sınıflandırmada Destek Vektör Makinesi (DVM) yöntemi kullanılmıştır. Pap smear testi ve FTIR spektroskopi sonuçları karşılaştırıldığında %43 oranında Pap testinin, %72 oranında FTIR spektroskopisinin doğru bir sınıflama yaptığı görülmüştür [7].
Maziak ve ark.(2007) yemek borusu kanseri olan 10 hastanın sağlıklı ve kötü huylu dokularını FTIR spektroskopisi kullanarak incelenmiştir. Çalışma için 1800-900 cm-1
bölgesindeki frekanslar incelenmiştir. Çok sayıda IR spektrumunun üst üste binişmesinden dolayı 3. güç türevi yardımıyla örtüşen bandların band genişliği daraltılmıştır. Böylece bandlar tek tek bandlar halinde çözülebilir ve daha doğru analiz yapılabilir bir hale dönüştürülmüştür. Sonuç olarak yemek borusu kötü huylu doku belirlenmesinde FTIR spektroskopisinin önemli bir rol oynayacağı gösterilmiştir [8].
5
Fabian ve ark.(2006) meme dokusundaki iyi huylu ve kötü huylu lezyonları belirlemek için IR spektroskopisini kullanmıştır. 4 tür doku çeşidi alınmıştır. Bunlar; iyi huylu meme tümörü (Fibroadenom), erken evre meme kanseri (ductal carcinoma in situ), bağ dokusu ve yağ dokusudur. Eğiticili öğrenme metodu ile Yapay Sinir Ağı (YSA) eğitilerek yeni verinin sınıflandırılması sağlanmıştır. Yapılan sınıflandırma işleminde %93 oranında doğru tanıma yapılmıştır [9].
Griebe ve ark.(2007) alzheimer hastalığına yeni bir tanı aracı olarak FTIR spektroskopisini kullanmıştır. Çalışmada, beyin omurilik sıvısının değerlerini FTIR spektroskopisi sonuçları ile karşılaştırmıştır. 71 hasta ve 66 normal olmak üzere toplam 137 kişinin numuneleri kullanılmıştır. Hasta ve sağlıklıları ayırmak için YSA’dan faydalanılmıştır. Sonuç olarak FTIR spektroskopi verileri, YSA ile %85,5 hassasiyet ve %80 özgüllük ile ayırt edilmiştir [10].
Bogomolny ve ark.(2008) viral kanser işleminin görüntülenmesi için FTIR spektroskopisinden faydalanmıştır. Yapılan çalışmada, hücre ve dokularda viral kanser ilerlemesine eşlik eden biyokimyasal değişiklikler takip edilmiştir. Bunun için kültür ortamındaki hücrelere murine sarcoma virüsü enjekte edilerek dokular kötü huylu dokuya dönüştürülmüştür. Ayırma Sınıflama Fonksiyonu (Discriminant Classification Function – DCF) metodu ile kötü huylu doku değişimleri karakterize edilmiştir [11].
Jusmann ve ark.(2009) servikal kanserinin öncesi bir tanı sistemi geliştirmeye yönelik bir çalışma gerçekleştirmişlerdir. Bu amaç için, 176 servikal numunenin FTIR değerleri kullanılarak elde edilen özellikler YSA’ya giriş olarak verilmiştir. FTIR işaretinden elde edilen özellikler 1800-950 cm-1 aralığından elde edilmiştir. YSA’ya giriş
olarak verilen değerler bant alanları ve pik yükseklikleridir. Geri yayılım algoritması kullanılarak yapılan sınıflandırma işleminde en yüksek %97,3’lük doğruluk oranı elde edilmiştir [12].
Sun ve ark.(2013) yaptığı çalışmanın amacı, kötü huylu ve sağlıklı akciğer dokusunu ATR (Attenuated Total Reflection-Zayıflatılmış Toplam Yansıma) FTIR ile ayırt edebilmektir. Bu ayrımı gerçekleştirebilmek için 22 parametre bulunmuştur. 1546 cm-1‘deki
6
maksimumdaki tam genişlik, ayrım fonksiyonu şekillendirmek için bağımsız faktörler olarak seçilmişlerdir. Duyarlılık ve özgünlük %96,7 olarak bulunmuştur. Veri analizi, SPSS 11.0 kullanılarak t testi ile gerçekleştirilmiştir [13].
Richter ve ark.(2002) FTIR mikro spektroskopi ve Pozitron Emisyon Tomografi (PET) vasıtasıyla tümör dokusunu belirlemeye çalışmışlardır. Bu amaç için, insanın hipofarenks dokusundan alınan ince bir kesit kolon skuamözu ve kolon adenokarsinomu çıplak fareler üzerinde büyütülmüştür. Bu ince doku bölümlerinin spektroskopik haritaları elde edilmiştir. 1800-950 cm-1 spektrum aralığı kullanılmıştır. Elde edilen haritalar bulanık
c ortalama ve temel bileşen analizi yöntemleri ile değerlendirilip tümörlü dokular FTIR spektroskopi ile başarılı bir şekilde tanımlanmıştır [14].
Cheng ve ark.(2008) kolon kanserinin erken bir şekilde belirlenmesine yönelik bir çalışma yapmıştır. Çalışmada FTIR spektroskopisi ile elde edilen işaretlerden özellik çıkarmak için dalgacık dönüşümü kullanılmıştır. Sınıflandırma işlemi için DVM kullanılmıştır. Çalışmada, 120 adet SD (Sprague-Dawley) sıçanı kullanılmıştır. Bu sıçanlardan 60 tanesinin karın boşluğuna 1,2- dimetilhidrazin dihidroklorür sulu bir çözelti enjekte edilerek gerekli kanserli dokular oluşturulmuştur. Sıçanların karın boşluğunda büyütülen kanserli dokular ile normal dokular incelenmiştir. Çalışmanın sonucunda normal, displazi, erken karsinom ve gelişmiş karsinom için sırasıyla doğruluk oranları %100, %97,5, %95 ve %100 olarak bulunmuştur [15].
Cheng ve ark.(2009) HATR (Yatay Zayıflatılmış Toplam Yansıma - Horizontal Attenuated Total Reflectance) FTIR spektroskopisi ve geriye yayılım algoritması ile eğitilen yapay sinir ağlarını kullanarak kanserli dokuların sınıflandırılması için dalgacıklara dayalı bir yöntem sunmuştur. Çalışma, farelerden elde edilen kolon biyopsilerinin FTIR spektroskopisi ile normal displazi, erken kanser ve ileri kanserli dokular şeklinde ayrımın yapılmasına yöneliktir. FTIR spektroskopisi ile elde edilen işaretlerin işlenmesi ve özelliklerinin çıkarılması için dalgacık dönüşümü kullanılmıştır. Elde edilen özellikleri sınıflandırmak için geri yayılım algoritmalı YSA kullanılmıştır. Normal, displazi, erken kanser, ileri kanserli doku ayrımında sırasıyla %100, %94, %97,5 ve %100 doğruluk bulunmuştur [16].
7
Zwielly ve ark.(2010) tarafından normal, polip ve kanserli insan kolon biyopsi dokuları arasında spektral değişiklikleri tanımlamak için FTIR mikroskobi potansiyelini araştırılmıştır. 230 insan kolon biyopsisi kullanılmıştır. Veri tabanı beş alt gruba ayrılmıştır; Normal, kanserli doku ve kanser öncüleri yani iyi huylu poliplerde üç aşamalı şekilde hafif, orta ve şiddetli polipler olarak ayrılmıştır. Veri boyutunu azaltmak için temel bileşenler analizi modeli uygulanmıştır. Sonuç olarak normal, polip ve kanser grupları arasındaki sınıflandırma doğruluk oranı yaklaşık %85 bulunmuştur [17].
Andronie ve ark.(2011) insan kolon karsinom ve normal dokularını FTIR spektroskopisi ile incelemiştir. FTIR sonuçları, lipit ve protein içeriğinin, normal ve kanserli numuneler arasında nicel farklılıklar olduğunu göstermiştir. İncelenen örnekler içinde hastalığın neden olduğu moleküler yapısal değişiklikler, lipit/protein içeriğine atanan bandın nispi yoğunluğu ile tespit edilmiştir. Bu içerik farkları en iyi amid, amid I ve II gibi protein bantları halinde görülmüştür. Lipid içeriğindeki farklılıklar özellikle (C = O) 1744 cm-1‘de
germe modun da görülmüştür [18].
Xie ve ark.(2011) kötü huylu kolon doku numuneleri üzerinden FTIR spektroskopi ile kolon kanseri tanısı yapabilecek bir çalışma hedeflemiştir. Çalışmada, kötü huylu ve normal dokuların ayrımını yapabilmek için temel bileşen analizi ve DVM kullanılmıştır. 85 hastadan alınan doku biyopsileri kullanılmıştır. Sonuç olarak DVM ile yapılan sınıflandırmada ortalama %90 üzerinde duyarlılık ve özgüllük değerleri elde edilmiştir [19].
B. Kan numunesi ile yapılanlar;
Kan numuneleri kullanılarak gerçekleştirilen çalışmalarda kanın plazma kısmı veya serum kısmı kullanılmıştır. Kan serumu veya plazması kullanılarak yapılan çalışmalar aşağıda özetlenmiştir.
Erukhimovitch ve ark.(2006) yaptığı çalışmanın amacı, lösemi hastalarının belirlenmesi ve izlenmesi için gerekli olan biyo işaretçilerin bulunmasıdır. Bu biyo işaretçiler, kan plazmasının analizi sonucu belirlenecek olan spektral parametrelerdir. Bulunan parametreler ile 1056, 1270 ve 1592 cm-1 bölgesindeki hasta numunelerinin
8
spektral piklerinin sağlıklı numuneler ile karşılaştırılması sonucu piklerde önemli ölçüde düşüş olduğu görülmüştür. Elde edilen spektrumların kümeleme analizi, sağlıklı ve hasta numunelerinin doğru bir şekilde sınıflandırılmasını sağlamıştır [20].
Ahmed ve ark.(2010) bu çalışmada, parkinson hastalığını tanımlamada kullanılacak en uygun spektrumları belirlemeyi hedeflemiştir. Çalışma, 53 normal ve 50 parkinson hastası (16 hasta I. evrede, 16 hasta II. evrede, 18 hasta III. evrede) 103 kişi üzerinde gerçekleştirilmiştir. Sağlıklı ve parkinson hastası kişiler arasındaki spektral değişimin önemi, varyans analizi ile hesaplanmıştır. Her pikin soğurma yoğunluğu, pearson korelasyon analizi ve ortalama bağlantı algoritması benzerlik ölçümü kullanılarak gerçekleştirilmiştir. YSA’ya giriş olarak yaş, cinsiyet ve 10 spektral noktanın yoğunluk değerleri (689, 1078, 1169, 1244, 1542, 2953, 2930, 3060, 3293 ve 3296 cm-1) verilmiştir. I. evredeki hastaların 3060 cm-1 değerlerinde bir azalma görülmüştür. II. evredeki hastaların 698 cm-1 değerlerinde
artma görülmüştür. III. evre hastaların 1542 cm-1 değerlerinde ise artış görülmüştür. Bu
parametreler parkinson hastalığının bulunması ve belirlenmesi için geliştirilecek olan spektral bir metodun temelini oluşturabilir denilmektedir [21].
Ostrovsky ve ark. (2013) Fourier dönüşümü kızılötesi gelişmiş hesaplama yöntemleri ile birleşik periferik kan plazma mikrospektroskopik analizine dayalı kanser tespiti için daha az girişimsel bir yaklaşım geliştirmiştir. Geliştirilen yöntem, katı tümörün yerine bakılmaksızın ve belirli bir tip kanseri aramaya gerek kalmadan, hatta kanserin erken dönemlerinde, kanser varlığının herhangi bir işareti için uyarmaktadır. Yapılan biyokimyasal analizde, diğer algılama çalışmaların aksine, sadece bir belirli bir biyo işaretçi protein araştırmaktansa, daha fazla plazma biyokimyasal bilgileri kullanılmaya çalışılmıştır. Sonuç olarak, kanser hastaları ve sağlıklı kontrol sınıfları arasında iyi bir sınıflandırma ile %93,33 duyarlılık, %87,8 özgüllük ve %90,7 doğruluk oranı elde edilmiştir [22].
Sheng ve ark.(2013) çalışmalarında mide kanseri olan hastaların serumlarını sağlıklı kişilere ait serumlar ile karşılaştırmıştır. H2959/H2931, H1646/H1550, H1314/H1243, H1453/H1400 ve H1080/H1550 oranları hesaplanmıştır. Bu oranlar arasında, H2959/H2931 oranının, sağlıklı ve hasta kişileri ayırt edecek bir standart olabileceği belirlenmiştir. Eğri uydurma işlemi sonucunda, mide kanseri hastalarının serumlarındaki RNA/DNA oranları
9
sağlıklı kişilerin serumundan açık bir şekilde daha düşüktür. Bu sonuçlara göre, FTIR spektroskopisinin mide kanseri tanısında faydalı bir araç olacağı belirtilmiştir [23].
Sheng ve ark.(2013) sağlıklı kişilerin serumları ile lösemi hastası kişilerin serumlarını karşılaştırmıştır. H1075/H1542, H1045/H1467, H2959/H2931 oranları incelenmiş ve bu oranlardan H2959/H2931 oranının sağlıklı kişiler ile lösemi hastası olan kişilerde farklı olduğunu belirlenmiştir. Ayrıca eğri uydurma yöntemi ile RNA/DNA(A1115/A1028) oranının lösemi hastalarında sağlıklı kişilere göre daha düşük olduğunu gösterilmiştir [24].
Wang ve ark.(2014) serumun, insan vücudunun fizyolojik ve patolojik değişiklikleri yansıtabileceğinden hareket ile bu çalışmada, akciğer kanseri hastaları ve sağlıklı kişilerin serumlarını FTIR spektroskopisi kullanarak karşılaştırmıştır. Serumdaki, A1080/A1170 oranı, sağlıklı kişiler ile akciğer kanseri olan hastaları ayırt edebilecek bir oran olarak gözlemlenmiştir. Ayrıca, eğri uydurma sonucu, a-helix /antiparallel b-sheet oranları, akciğer kanseri hastalarının serumunda sağlıklı kişilere göre daha düşük olduğu gösterilmiştir. Bu sonuçlar ile serumun IR spektrumunun akciğer kanserinin belirlenmesi için yararlı olabileceği belirtilmiştir [25].
Barlev ve ark.(2015) bu çalışmada, kolorektal kanserin erken tespiti için çevresel kan mononükleer hücreleri ve plazmanın biyo moleküler analizinin yararlı olacağını değerlendirmiştir. Çalışma için 34 kolorektal kanserli toplam 62 numune kullanılmıştır. İki kan bileşenleri yerine tek bir belirtecin biyokimyasal analizinin kolorektal kanserin erken tespiti için umut verici olduğu belirtilmektedir. Çapraz doğrulama yöntemi kullanılarak yapılan değerlendirmede %81,5 duyarlılık ve %71,4 özgüllük bulunmuştur [26].
1.3. Yönelim Gerekçeleri
Günümüzde kansere bağlı ölüm oranları oldukça yüksektir. Her yıl dünya genelinde milyonlarca kişiye kanser teşhisi konmaktadır. Bu kanser türlerinden biride kolon kanseridir. Türkiye’de Sağlık Bakanlığı Kanser Daire Başkanlığı’nın en son yayınladığı 2013 raporlarına göre kolorektal kanser türü erkek ve kadınlarda görülme sıklığı açısından üçüncü sırada yer almaktadır. Kolon kanserinin belirlenmesinde kullanılan tanı yöntemlerin başında
10
kolonoskopi gelmektedir. Kolonoskopi hastaya sıkıntı veren bir yöntem olması dolayısıyla birçok kişi yaptırmaktan çeşitli sebeplerden dolayı çekinmektedir. Bu gibi durumlarda tanı koyma süresi uzamakta ve hastalık daha da ilerlemektedir. Bu noktada, kolonoskopi işlemi öncesi kişilere herhangi bir kanser riski taşıma durumunun söylenebileceği bir yönteme ihtiyaç olduğu görülmektedir. Bu tezde, bu durum göz önüne alınarak kolon kanseri olan kişiler ile sağlıklı kişilerin kan numuneleri FTIR spektroskopisi ile incelenerek herhangi bir ayrımın olup olmadığı sorusuna yanıt aranmıştır. Böylece ileriye dönük olarak, kan numuneleri ile kanser varlığı sorgulamasına yönelik bilgisayar temelli otomatik akıllı bir sistem bu konudaki çalışmalara önemli bir basamak olacaktır.
Literatürde, biyopsi ve kan numunesi kullanılarak yapılan çalışmalarda [1– 18,20,21,23–30] genellikle kimyasal bağ analizleri dikkate alınarak belirli spektralardaki pik değerleri ve yoğunlukları kullanılarak hasta/sağlıklı ayrımı yapılmıştır. Bu tez çalışmasında ise, kolon kanseri hastaları ile sağlıklı kişileri ayrıt edebilmek için kimyasal analiz yerine FTIR işaret örüntüsünden bilgi çıkarımı, istatistiksel analiz, işaret işleme ve yapay zekâ tekniklerine dayalı bir ayrım yapılmıştır.
1.4. Tezin Organizasyonu
Tezin birinci bölümünde, teze genel bir bakış açısı kazandırmaya yönelik olarak temel bilgiler verilmiştir. Diğer bölümlerin organizasyonu ve tezdeki orijinal katkılar ise aşağıda sunulmuştur.
Bölüm 2’de, kanser hastalığı, nedenleri, belirtileri, türleri, tanı-tedavisi ve kolon
kanseri anlatılmıştır. Kızılötesi spektroskopi ve Fourier dönüşümü kızılötesi spektrometre kavramları açıklanmıştır. Spektrometrenin nasıl çalıştığı ve sonucunda nasıl bir işaret elde edildiği gösterilmiştir. Örüntü tanıma kavramları olan özellik çıkarma-seçme ve sınıflandırmadan bahsedilmiştir. Özellik çıkarma yöntemi olarak kullanılan dalgacık ve dalgacık paket dönüşümleri anlatılmıştır. Dalgacık işlemlerinde kullanılacak olan ayrık dalgacık dönüşümü incelenmiştir. Ayrıca FTIR işaretinin dalgacık ve dalgacık paket dönüşümü ile alt bantlara ayrıştırılması ile ilgili bilgiler verilerek örnekler ile sunulmuştur. Elde edilen FTIR işaretlerine uygulanan bilgi çıkarım yöntemlerinden bahsedilmiştir. Sınıflandırma işlemi için kullanılan yapay sinir ağlarının matematiksel modeli ve tezde
11
kullanılan geri yayılım algoritmasını anlatılmıştır. Son olarak sınıflandırma işlemi için kullanılan çapraz doğrulama yöntemi ve sonuçların değerlendirmesinde kullanılan ROC (Receiver Operating Characteristics - Alıcı İşletim Karakteristiği) eğrisi anlatılmıştır.
Bölüm 3’de, hastadan kanın alınmasından FTIR işaretinin elde edildiği adıma kadar
olan aşamalar ayrıntılı şekilde anlatılmıştır.
Bölüm 4’de, doğrudan FTIR işareti kullanılarak, bilgi çıkarım yöntemleri ile elde
edilen değerler gösterilmiştir.
Bölüm 5’de, FTIR işaretine dalgacık dönüşümü uygulanarak elde edilen alt bantların
bilgi çıkarım yöntemleri ile bulunan değerleri gösterilmiştir.
Bölüm 6’da, FTIR işaretine dalgacık paket dönüşümü uygulanarak elde edilen alt
bantların bilgi çıkarım yöntemleri ile bulunan değerleri gösterilmiştir.
Bölüm 7’de, Bölüm 4-5-6’da elde edilen verilerin yapay sinir ağları ile yapılan
sınıflandırma işleminin sonuçlarını değerlendirmek için kullanılan tanı testi yöntemi anlatılmıştır. Tanı testi performansının değerlendirilmesi için ROC eğrisi yöntemi kullanılmıştır.
Bölüm 8’de, tezin sonuçları irdelenmiş ve orijinal katkıları vurgulanmıştır. Ayrıca
12
2. GEREÇ VE YÖNTEMLER
2.1. Kanser Hastalığı
Kanser, hücrelerin normalden faklı olarak, kontrolsüz ve hızlı bir şekilde çoğalması sonucu meydana gelmektedir. Normal hücreler sınırlı bir sayıda bölünebilme özelliğine sahiptir. Herhangi bir dokunun yaralanma vb. bir durumda zarar görmesi sonucu hücreler yaralı dokunun onarılmasında bu özelliklerini kullanırlar. Eğer bu hücreler anormal bir şekilde ve olduğundan daha hızlı büyümeye ve çoğalmaya başlarlarsa, tümör adı verilen kitle oluşumuna neden olurlar. Bu anormal hücreler bulundukları organın ismi ile adlandırılırlar. Örneğin akciğer kanseri, mide kanseri, kolon kanseri vb. 1cm’lik bir büyüklüğe ulaşıncaya kadar kanser hücresi 1000 defa bölünmekte ve bu ise bir trilyon hücreye karşılık gelmektedir. Bu sayı göz önüne alındığı zaman kanserli doku tespit edilmeden önce kanserli hücrelerin milyonlarca kez bölündüğü gerçeği ortaya çıkmaktadır. Kontrolsüz büyüme yapan bu hücreler belirli bir zaman sonra büyük bir sayıya ulaşarak dokulara zarar vermeye başlarlar. Normal hücreler tamir edilemeyecek şekilde zarar gördüğünde apoptosis (programlanmış hücre ölümü) tarafından elenirler (Şekil 2.1). Kanserli hücreler apoptosis yapmaz ve rastgele çoğalmaya devam ederler [31–33].
Normal Hücre Kanserli Hücre
a) Apoptosis tarafından elenen normal hücreler
b) Apoptosis yapmayan kanserli hücreler
13
Tümörler iyi huylu tümör (benign) ve kötü huylu tümörler (malign) olarak ikiye ayrılır. Siğiller, benler, polipler ve kistler iyi huylu tümörlerdir. İyi huylu tümörler yayılma eğilimi göstermezler. Kötü huylu tümörler ise vücudun çeşitli bölgelerine yayılarak dokuları tahrip edebilirler. Kanserli hücreler, kan dolaşımı veya lenf dolaşımını kullanarak vücudun farklı bölgelerine yayılabilirler. Bu şekilde kanser vücudun birçok farklı yerine sıçrayabilir [31,34,35].
Dünya genelinde 2012 verilerine göre 14,1 milyon kişiye kanser tanısı konmuştur. Kanser tanısı konan kişilerden 8,2 milyonu ise kansere bağlı sebeplerden dolayı hayatını kaybetmiştir. Dünya genelinde kanser tanısı konulan kişilerin %13’ü akciğer, %11,9’u meme ve %9,7’si ise kolon kanseridir [34].
Türkiye İstatistik Kurumu, “Ölüm Nedenleri İstatistikleri 2013” verilerine göre ölüm sebepleri arasında iyi veya kötü huylu tümörler %23,1 ile ikinci sırada yer almaktadır. İyi veya kötü huylu tümörlere bağlı ölümlerde akciğer kötü huylu tümörü %31,3 ile birinci, mide kötü huylu tümörü %8,9 ile ikinci, lenfaid ve hematopoetik kötü huylu tümörü %8,2 ile üçüncü ve kolon kötü huylu tümörü %6,9 ile dördüncü sırada yer almaktadır. Kolon kötü huylu tümörü ise erkeklerde %6,1 ve kadınlarda ise 8,3’tür [36].
2.1.1. Kanser Belirtileri ve Kansere Neden Olan Faktörler
Kansere başlangıç aşamasında, kesin bir belirti söylemek mümkün değildir. Ancak dikkat edilmesi ve bilinmesi gereken bazı belirtileri ise şöyle sıralanabilir.
Büyük veya küçük abdest alışkanlıklarında ani değişikler ve buna bağlı olarak aniden baş gösteren kabızlık veya ishal rahatsızlıkları belirtilerden biri olabilir.
İyileşmeyen yaralar veya sürekli devam eden deri dökülmeleri Öksürük, küçük veya büyük abdest ile beraber gelen kan lekeleri Yutkunma güçlüğü, karın ağrıları ve hazımsızlık
Uzun süreli öksürük nöbetleri ve ses kısıklığı Kontrolsüz bir şekilde meydana gelen kilo kayıpları Sebebi belli olmayan ateş
14
Yukarıda sıralanan durumlar herhangi basit bir rahatsızlıktan da kaynaklanıyor olabilir. Yine de her ihtimale karşı bunlara benzer durumlarda bir doktora başvurmak her zaman faydalı olacak bir davranış şeklidir [31,34,37].
Kanserin ortaya çıkmasında birden fazla etken rol oynamaktadır. Bu etkenleri maddeler halinde sıralamak gerekirse;
Çevresel ve fiziksel faktörler Kimyasal faktörler Ailesel faktörler Beslenme faktörü Virüs ve bakteriler Hormonal faktörlerdir [38]. 2.1.2. Kolon Kanseri
1,5-2 m uzunluğunda olan kalın bağırsak, sindirim sisteminin son kısmını oluşturmaktadır. Kalın bağırsak 4 bölümden oluşmaktadır. Bu bölümler; kör bağırsak, kolon, rektum ve anüstür. Kolon, kalın bağırsağın en uzun bölümüdür. Kolon kanseri ise kalın bağırsağın kolon olarak bilinen bölgesinin iç yüzeyini kaplayan hücrelerde meydana gelmektedir. Bağırsağın iç yüzeyinde zamanla polip adı verilen kabartı ve şişlikler oluşmaktadır. Bu polipler zamanla tümöre ve kansere dönüşebilmektedir [39]. Poliplerin incelenmesi ve gerekli görüldüğü taktirde numune alınması için uygulanan yöntem ise kolonoskopidir. Kolonoskopi işlemi için kullanılan kolonoskop, bükülebilen 120-180 cm uzunluğunda olan ve ucunda bulunan bir kamera aracılığı ile kalın bağırsağın içinin görüntülenmesi, biyopsi alınması için kullanılan bir cihazdır (Şekil 2.2). Gelişmiş ülkelerde 50 yaş ve üzeri kişilere her 5 yılda bir tarama amaçlı kolonoskopi önerilmektedir. Bu şekilde yapılan taramalar sayesinde, bu tür kanserlerin büyük ölçüde önlendiği bilinmektedir. Kolon kanserinin büyük bir çoğunluğu polip adı verilen kabartılardan oluşmaktadır. Poliplerin belirlenmesi ve kansere dönüşmeden çıkarılması ise kolonoskopi ile mümkün olmaktadır. Bu nedenle kolonoskopi, tanılamada ve hastalığın değerlendirilmesinde önemli rol oynamaktadır.
15
Şekil 2.2. Kolonoskop cihazı [40].
Kolonoskopi işlemi sırasında ve sonrasında meydana gelebilecek olası durumlar ise, karın ağrısı, ateş, titreme vb. gibi durumlardır. Kolonoskopi esnasında çok nadirde olsa kanama veya bağırsağın delinmesi gibi durumlarda oluşabilmektedir [41–43].
2.1.3. Kanser Taraması, Tanısı ve Tedavisi
a) Tarama ve Tanı
Kanserin belirlenmesinde kandaki bazı tümör belirteçlerine (CAE (Carcinoembryonic antigen), CA 19-9 (Cancer antigen), CA-125 vb.) bakılabilmektedir. Fakat bu belirteçler direkt kanser teşhisinde kullanılamamaktadır. Çünkü bu belirteçler genellikle insanların kanında az da olsa bulunmaktadır. Tümör belirteçleri kanserli olan kişilerde yüksek çıkmayabilir veya tümör belirteci yüksek çıkan kişi kanser hastası olmayabilir. Bu gibi durumlardan dolayı tümör belirteçleri, klinik durumlarda uzmana yardımcı bir test olarak veya hastalığının takibi gibi durumlar için kullanılmaktadır [44–46].
Kanseri çok erken evrelerde belirleyip olası kötü sonuçları ortadan kaldırabilmek için tarama testleri de önemlidir. Tarama testleri, kansere yakalanma riski taşıyan kişilerde veya herhangi bir rahatsızlık belirtisi görülmeyen kişilerde yapılabilir. Tarama testlerinin sonucunda zorlu tedavi süreçlerini en aza indirmek ve böylece ölüm oranlarını azaltmak hedeflenmektedir. Kansere yakalanma riski yüksek olan kişilere sürekli olarak kontrol testleri yapılmalıdır. Kanserin birçok türü için hala güvenilir testler geliştirilememiştir. Bir testin güvenilir olduğunun söylenebilmesi için;
16
Yapılan test yanlış pozitif sonuç üretmemelidir. Yani, hasta olmayan bir kişiye kanser teşhisi koymamalıdır.
Yapılan test yanlış negatif sonuç üretmemelidir. Yani, kanser hastası olan bir kişiye sağlam teşhisi koymamalıdır.
Yapılacak olan testler kolay uygulanabilir, ucuz, doğruluk derecesi yüksek ve hastayı en az rahatsız edici özellikte olmalıdır.
Hatalı pozitif sonuç üreten bir testin sonucunda, hastalığın tam olarak belirlenmesi için hastaya gerekmediği halde biyopsi, endoskopi, kolonoskopi gibi tanıyı doğrulayan işlemler yapılacaktır. Hatalı negatif sonuç üreten bir testin sonucunda, hasta kanserden kaynaklanan belirtileri dikkate almayacak ve hastalık daha da ilerleyecektir [47].
Çoğalarak tümöre dönüşen kanserli hücrelerin yerini ve tipini belirlemek için birçok farklı test ve tahliller uygulanmaktadır. Bu tetkikler arasında kan tahlilleri, bilgisayarlı tomografi (BT), manyetik rezonans görüntüleme (MR), kemik sintigrafisi, ultrasonografi, endoskopi, radyo nükleer tarama gibi tetkik yöntemler bulunmaktadır. Şüpheli durumda, hastaya biyopsi yapılarak kanserin varlığı kesinleştirilmektedir.
b) Tedavi
Tedavinin türü kanserin tipine, hastalığın derecesine göre belirlenir. Erken teşhis sayesinde kansere yakalanmış olan birçok insan normal yaşamına devam edebilmektedir. Kanser tedavisi için kullanılan yöntemlerden bazıları cerrahi tedavi, kemoterapi, radyoterapi, hormon tedavisidir.
Cerrahi tedavi, kanserli dokunun vücuttan çıkartılması için gerçekleştirilen bir yöntemdir. Çoğu kanser türünde ilk uygulanan yöntemdir. Cerrahi yöntem ile her zaman tümörlü kısım alınamayabilir. Böyle durumlarda, kemoterapi veya radyoterapi ile kalan kanserli hücreler yok edilmeye çalışılır [31,32].
Kemoterapi, kanserli hücrelerin ilaçlar yardımıyla yok edilmeye çalışıldığı tedavi yöntemidir [32].
Radyoterapi, gamma ışınları, X ışınları, elektronlar gibi çeşitli ışınların kullanılarak kanserli hücrenin tahrip edilerek yok edilmesidir [37].
17
Hormon tedavisi, bazı kanser türlerinin çoğalmasını engellemek için yapay hormonlar veya hormon karşıtı tedaviler uygulanarak vücudun oluşturduğu hormonlar bloke edilmektedir [47].
2.2. Kızılötesi Spektroskopi
Kızılötesi, elektromanyetik spektrum çizelgesinde insan gözünün algılayabildiği görünür bölge ile mikro dalga bölgeleri arasında kalan bölgedir. IR bölgesindeki soğurma, moleküllerin titreşme ve dönme düzeylerini uyarmaktadır. IR ışıma enerjisi, moleküldeki bağları bozamaz, elektronik uyarmada yapmaya yetmez. Ancak atomlardaki bağların gücüne, kütlesine ve atomun molekül geometrisine bağlı olarak atomlar arası bağların titreşme genliklerini arttırmaktadır. Titreşme hareketi gerilme titreşmesi ve eğilme titreşmesi olmak üzere iki türlüdür. Gerilme titreşmesi, bağ ekseni doğrultusunda ritmik hareketlerdir. Eğilme titreşimi ise aynı atoma doğru olan bağ açısının değişmesi ve atom grubunun moleküldeki hareketleridir (Şekil 2.3) [48,49].
Asimetrik Gerilme
-+ Düzlem-dışı burulma Simetrik Gerilme Düzlem-içi bükülme + + Düzlem-dışı sallanma Düzlem-içi kesilmeŞekil 2.3. Düzlem içi eğilme-gerilme titreşimin gösterimi
IR spektrumunda 4000 cm-1 ile 1500 cm-1 frekans aralığı fonksiyonlu grup bölgesi
olarak adlandırılır. Şekil 2.4’de görüldüğü gibi 600 cm-1 ile 1400 cm-1 frekans aralığı ise
18
çok, molekülün tümünün titreşimine ait soğurma bantlarını içerir. İki molekülün aynı olup olmadığına bu bölgeye bakılarak karar verilir [48].
Şekil 2.4. IR de fonsiyonel grupların soğurma değerleri [50].
Spektroskopi, maddenin özelliklerinin elektromanyetik ışıma aracılığı ile incelenmesidir. Diğer bir tabir ile spektroskopi, bir molekül ve atomun bir enerji düzeyinden başka bir enerji düzeyine geçişi sırasında soğrulan veya yayılan elektromanyetik ışımanın ölçülmesi olarak söylenebilir [51]. Elektromanyetik ışımanın madde tarafından soğrulması maddeyi oluşturan atomların türüne, şekline, büyüklüğüne bağlı olduğu için spektroskopi organik maddelerin yapılarının bulunması, tanınması, saflıklarının kontrol edilmesi vb. gibi birçok alanda kullanılmaktadır [48].
Elektromanyetik dalga veya ışın, uzay boşluğunda hızla hareket eden bir enerji türüdür. En çok bilinen türleri ise; X ışınları, mor ötesi ışınlar, kızılötesi ışınlar, mikro dalgalar ve radyo dalgalarıdır. Gözümüz yaklaşık 380-760 nm (nanometre) frekans değerlerine sahip ışınları görebilir (Şekil 2.5) [52].
Dalga boyu, art arda gelen iki dalga tepesi arasındaki mesafe olarak tanımlanmaktadır. Dalga boyu yunanca (λ) harfi ile gösterilmektedir. Dalga boyu, metre ve askatları cinsinden ifade edilir [48].
Frekans, bir saniye içinde belirli bir noktadan geçen dalga sayısı olarak tanımlanır. Frekans birimi Hertz (Hz)’dir [48].
19
λ (cm) 10-10 10-7 10-5 10 102 103
Şekil 2.5. Elektromanyetik dalga spektrumu [50].
Kızılötesi spektroskopisinde amaç, numune tarafından soğurulan ışığın ölçülmesidir. Kızılötesi dalga boyu aralığı yakın, orta ve uzak kızılötesi olmak üzere üçe ayrılmaktadır. Kızılötesi ışığın dalga boyu aralığı 0,78-1000µm (12500-10 cm-1 dalga sayısı)’dir. Bu
aralıkta, yakın kızılötesi 12500-4000 cm-1, orta kızılötesi 4000-100 cm-1 ve uzak kızılötesi
ise 100-10 cm-1 şeklinde ayrılmaktadır. Kızılötesi soğurma pikinin yeri, dalga sayısı veya dalga boyu ile belirtilir. Molekülün bir titreşim enerjisi düzeyinden bir başka titreşim enerjisi düzeyine uyarılması, belirli bir dalga boyunda bulunan veya bundan dolayı belirli enerji seviyesindeki kızılötesi ışının soğurulmasıyla gerçekleşmektedir. Kızılötesi spektrumlar iki tür bilgi verir. Birincisi, organik bileşiklerin yapısında bulunan fonksiyonlu gruplar hakkında bilgi verir. İkincisi, iki organik bileşiğin aynı bileşik olup olmadığı konusunda bilgi vermektedir [48,53].
2.2.1. Fourier Dönüşümü Kızılötesi Spektrometre
Bir IR spektrometresi temel olarak ışıma kaynağı, monokromatör ve detektörden oluşur.
Işın Kaynağı: Elektrik yardımıyla 1500oC’ye kadar ısıtılan seramik çubuklar
kullanılmaktadır. Bu seramik çubuklar silisyum karbür (Globar) veya Nernst filamandan yapılmıştır.
Monokromatör: Kırınım ızgarası veya bir prizma monokromatör olarak kullanılır. Spektrometrelerde kullanılan prizma ve aynalar basit iyonik tuzlardan yapılmıştır. En çok kullanılan ise NaCl (sodyum klorür) prizmasıdır. Kırınım ızgarası, sıklıkla modern spektrometrelerde kullanılmaktadır. Çünkü yüksek frekanslarda daha iyi yarılma sağlamaktadır. Kırınım ızgarası, metal yüzey üzerine açılmış basit yivlerden oluşmaktadır.
20
Kırınım ızgarası döndürüldüğü zaman farklı dalga boylarında ışıma elde edilmektedir. Böylece frekans taraması yapılmaktadır [48].
Dedektör: Maddenin kaynaktan gelen ışığı soğurup soğurmadığını anlamak için kaynaktan gelen ışığın şiddetini ölçmek için kullanılır. Şekil 2.6’da tek ışın demetli bir spektrometrenin çalışma yapısı gösterilmektedir [52].
Şekil 2.6. Tek ışın demetli FT-IR spektrometre [50].
Fourier dönüşümüne göre, herhangi bir dalga hareketi sinüs veya kosinüslü ifadelerin toplamı şeklinde ifade edilebilir. Bilgisayarların gelişmesiyle, karmaşık birçok matematiksel işlem Fourier dönüşümü yardımıyla artık rahatlıkla çözülebilen işlemler haline gelmiştir. Fourier dönüşüm cihazları, nükleer manyetik rezonans, kütle ve mikrodalga spektroskopileri gibi birçok farklı alanda da kullanılmaktadır. Şekil 2.7’de bir numunenin FTIR spektrometre süreci gösterilmektedir [50].
21
Şekil 2.7. Bir örneğin FTIR spektrometre ile analiz işlem süreci [50].
Fourier dönüşüm spektroskopinin kimyasal alandaki uygulamaları, 1960'lı yıllarda uzak kızılötesi ve orta kızılötesi bölgelerde gerçekleştirilmiştir. Günümüzde, 200-2500 nm dalga boylarında ölçüm yapabilecek spektrometreler bulunmaktadır. Bu tür spektrometreler ultraviyole, görünür ve kızılötesi bölgelerinde ölçüm yapabilmektedir [50,52]. Örneğin, bir numune inceleneceği zaman spektrometrenin ışın yoluna yerleştirilerek 4000- 400 cm-1
frekans aralığında taranır. %T (geçirgenlik) – Dalga sayısı (cm-1 ) grafiği elde edilir. Şekil 2.7’de geçirgenlik-dalga sayısı grafiği gösterilmektedir.
2.3. Örüntü Tanıma
Örüntü tanımanın amacı, nesneleri belirli kategoriler veya sınıflara ayırmaktır. Uygulamaya bağlı olarak, bu nesneler görüntü, işaret ya da sınıflanması gereken ölçümlerin herhangi bir türü olabilir. Genel bir terim kullanılarak bu nesneler örüntü olarak adlandırılır. 1960’lar öncesi çoğunlukla istatistik alanında teorik araştırmalarda kullanılan örüntü tanıma, daha sonraları bilgisayarın gelişmesi ile birlikte oldukça fazla kullanım alanı bulmuştur. Endüstriyel alandaki uygulamaların artışı, örüntü tanımayı günümüzde özellikle mühendislik konularında önemli bir noktaya getirmiştir [54,55].
22
İnsan çevresindeki değişimleri beş duyu organı yardımıyla algılamaya çalışır. Duyu organları ile yapılan bu işlemlerin amacı, olayları anlamak veya çevresindeki nesneleri tanımaktır. İnsan zamanla kazandığı bu özellikleri, bütün hayatı boyunca karşılaştığı zorlukları aşmak ve ihtiyaçlarını gidermek için kullanmıştır. Zamanla bilimin gelişmesi ile insanlar ihtiyaçları için makineleri daha sonra bilgisayarları kullanmaya başlamışlardır. İnsanlar için zor ve zaman alıcı birçok işi bilgisayarlar çok daha kısa sürede, hızlı ve kolay bir şekilde yapabilmektedir. Zamanla bilgisayarlara belirli durumlar karşısında nasıl hareket edeceği öğretilmek istenmiştir. Bu öğrenme süreci sonunda, akıllı sistemler denen yapılar ortaya çıkmıştır. Bu akıllı sistemler ile bilgisayarlar kendilerine tanıtılan ses, görüntü, işaret gibi birçok bilgiyi ayırt edebilmektedir. Bu ayırt etme işlemlerini bir adım ileri götürecek olursak bilgiyi yorumlayabilen ve kendi veri tabanındaki bilgileri kullanarak çıkarım yapabilen bilgisayar sistemleri geliştirilmiştir. Günümüzde nesneleri tanıyabilen, onları takip edebilen, olaylar ve farklı durumlar karşısında bilgi birikimine göre yorum yapabilen birçok farklı akıllı sistem uygulamaları görmek mümkündür. Bu tip uygulamalardan biri de örüntü tanımadır. Şekil 2.8’de örüntü tanıma yapısı gösterilmektedir.
Şekil 2.8. Örüntü tanıma yapısı
2.3.1. Özellik Çıkarma
Özellik çıkarma, örüntü tanımada çok önemli bir role sahiptir. Örüntüden çıkarılacak özelliklerin örüntü kümesini temsil etme yeteneği bir anlamda örüntü tanıma sisteminin başarımında anahtar rolü oynayacaktır. Özellik çıkarma, verinin daha küçük bir boyutla temsil edilmesini sağlamaktadır. Bu ise, fazla veya gereksiz bilginin çıkarılması ile gerçekleştirilir. Bu işleme bir başka deyişle boyut indirgeme işlemi de denilebilir. Veriyi temsil etme yeteneği düşük olan kısımlar, yani gereksiz bilgiler veriden uzaklaştırılır. Bu işlemler sonucu en uygun özellikler bulunarak örüntü tanıma yapısının başarımı olumlu yönde artırılabilmektedir. Özellik çıkarımı için kullanılacak yöntemlerin probleme göre değişiklik göstereceği de unutulmamalıdır [56,57].
İşaret İşleme Özellik
23
2.3.2. Özellik Seçimi
Özellik çıkarma işleminde, örüntüyü tanımlayıcı olmayan bilgilerin elenmesiyle belli oranda boyut indirgeme yapılmaktadır. Özellik seçimi ile var olan özelliklerin ayırt edicilikleri değerlendirilip, ayırt edicilik bilgisi daha iyi olan bir alt küme bulunması amaçlanmaktadır [57]. Özelliklerinin belirlenmesinde değişik yöntemler kullanılmaktadır. Kullanılacak yöntemlerin seçilmesinde, örüntünün cinside önemlidir. Sınıflandırılmak istenen örüntü bir resim veya işaret olabilir. Burada örüntü kümesinin büyüklüğü de önemlidir. Uygulanacak olan özellik seçim algoritmasının en kısa sürede en etkili özellikleri seçebilmesi gerekir. Literatürde, sınıflandırmada kullanılacak olan en etkili özelliğin seçilmesine “Etkili Özellik Seçimi” denilmektedir. Etkili özellik seçiminde, sıralı seçim algoritması, genetik algoritma vb. gibi yöntemler kullanılmaktadır [58–60]. Bir sonraki bölümde, etkili özelliklerin belirlenmesinde kullanılan sıralı seçim algoritmaları incelenmiştir.
2.3.2.1. Sıralı İleri Seçim Algoritması
Birçok özellik bilgisi içinden hangi özelliğin öneminin daha yüksek olduğu sorusu asıl cevaplanması gereken sorudur. Bu sorunun cevabı, yüksek bir sınıflandırma başarımı elde edilmesini sağlayacaktır. Seçilen özelliklerin ayırt edicilik bilgisi düşük ise, sınıflandırıcının performansı da düşük olacaktır. Seçilen özelliğin ayırt edicilik bilgisi yüksek ise, sınıflandırıcının performansının da buna bağlı olarak yüksek olması beklenir. Ayırt edicilik bilgisi yüksek olan özelliklerin belirlenmesi için kullanılan algoritmalardan biri de Sıralı İleri Seçim (Sequential Forward Selection - SFS) algoritmasıdır.
SFS algoritması boş küme ile başlar. Sırası ile her bir özelliği sınıflandırıcıdan geçirir ve etkili olan özelliği belirler. En iyi olan ilk özellik belirlendikten sonra kalan özellikleri ilk özellik ile beraber ikili olarak sınıflandırıcıya gönderir ve bu ikililer içinde en etkili olanını belirler. Bu işlem tüm kümeye kadar bu şekilde devam etmektedir [54,61,62].
24 Algoritma:
i. Boş kümeyle başla ii. En iyi özelliği seç iii. Kümeyi güncelle iv. (ii) adımına git
2.3.2.2. Sıralı Geri Seçim Algoritması
Sıralı Geri Seçim (Sequential Backward Selection - SBS) algoritması tüm küme ile başlar. Sırası ile her bir özellik tüm kümeden çıkarılarak kalan özellikler sınıflandırıcıdan geçirilir ve etkisi en az olan özellik belirlenir. Etkisi en az özellik belirlendikten sonra kümeden çıkarılır ve kalan özelliklere aynı işlem tekrar uygulanır ve bu işlem boş kümeye kadar devam etmektedir [54,61,62]. SBS algoritmasının işlem basamakları aşağıda verilmiştir.
Algoritma:
i. Tüm kümeyle başla
ii. Etkisi en az özelliği seç ve kümeden çıkar iii. Kümeyi güncelle
iv. (ii) adımına git
2.3.3. Normalizasyon
Normalizasyon, verilerin istenen aralığa ([0,1] veya [-1,+1] vb) veya başka bir deyişle farklı bir uzaya taşıma işlemidir. Yapay sinir ağları ile yapılan sınıflandırmada normalizasyon işlemi oldukça önemlidir. YSA’da kullanılan aktivasyon fonksiyonlarına göre verileri normalize etmek sınıflandırmada oldukça iyi sonuç üretebilmektedir. Veriler, YSA’da kullanılan aktivasyon fonksiyonuna uygun olarak normalize edilmediği durumlarda sınıflandırıcının performansı da istenen seviyede olmamaktadır. Normalizasyon işleminde her bir özellik vektörü kendi içinde normalize edilmelidir. Literatürde farklı normalizasyon teknikleri bulunmaktadır [56,63,64]. Bu çalışmada kullanılacak olan normalizasyon yöntemi Denklem 2.1’de verilmiştir. Xi işaretin i. nci elemanını, n işaretin uzunluğunu temsil
